--- title: "RAG es para encontrar. El contexto completo es para decidir." description: "Retrieval encuentra lo más parecido; el juicio necesita la imagen completa, incluido lo que falta. Por qué el CV completo y no top-k, y cuándo RAG." url: https://seo7.es/es/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding canonical: https://seo7.es/es/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding lang: es type: BlogPosting --- # RAG es para encontrar. El contexto completo es para decidir. > Retrieval encuentra lo más parecido; el juicio necesita la imagen completa, incluido lo que falta. Por qué el CV completo y no top-k, y cuándo RAG. Página: https://seo7.es/es/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding ## Descripción para IA Retrieval encuentra lo más parecido; el juicio necesita la imagen completa, incluido lo que falta. Por qué el CV completo y no top-k, y cuándo RAG. El consejo de 2026 está asentado: trocea tus documentos, genera embeddings, recupera los top-k y pásaselos al modelo. Construí un sistema que, a propósito, no hace nada de eso. ## Preguntas y respuestas ### ¿Por qué el sistema de selección de licitaciones entrega al modelo el currículum completo? Cada solicitud recibe el currículum completo del experto: 69 proyectos, publicaciones, formación e idiomas, unos 34 000 caracteres. La tarea del sistema es juzgar si la persona encaja, y para juzgar el modelo necesita el cuadro completo, incluido lo que el currículum no contiene. ### ¿En qué se diferencia el retrieval de la exclusión? Retrieval busca en el corpus lo que más se parece a la consulta. La exclusión busca lo que descalifica. Son operaciones opuestas: la primera necesita las coincidencias más fuertes, la segunda el eslabón más débil, que por definición es lo que menos se parece al resto. ### ¿Cuántas fuentes de licitaciones de la ONU recorre el sistema cada día? Veintiocho. El sistema normaliza y deduplica miles de anuncios de contratación y, para cada licitación, responde a una pregunta: si este experto encaja. ### ¿Por qué la similitud del coseno falla al seleccionar licitaciones? Una licitación de Public Financial Management y una docena de proyectos de un experto en finanzas públicas dan una similitud muy alta. Pero la licitación puede exigir un ecólogo, algo que se dice una sola vez en la página cinco, o un consultor nacional con el idioma local. RAG devolverá los proyectos financieros y concluirá que la coincidencia es fuerte. ### ¿Por qué el detalle descalificante no aparece en el top-k? Nunca es el fragmento semánticamente más cercano: precisamente por eso descalifica, es la parte que se sale del patrón. El sistema de retrieval está optimizado para mostrar lo parecido y justamente esconde ese detalle. ### ¿Qué pierde el currículum al dividirse en chunks? Los hechos se quedan, la forma se pierde. Tres chunks sobre finanzas públicas muestran al modelo a un experto en finanzas. Los 69 proyectos muestran dónde ha trabajado realmente, qué idiomas domina, a qué nivel de seniority trabaja y qué nunca ha hecho. ### ¿Por qué RAG no detecta la falta de experiencia en un documento? No existe un chunk que diga «esta persona no tiene experiencia en ecología». Solo se sabe leyendo el documento completo y notando que esa experiencia no aparece. RAG dice lo que hay en el documento, pero no lo que falta. ### ¿Cuánto cuesta entregar al modelo 9 000 tokens por cada licitación? Unos 34 000 caracteres son aproximadamente 9 000 tokens por juicio, multiplicados por cientos de licitaciones al día. En la práctica, la IA y los proxies juntos cuestan unos pocos dólares al mes; el panel calcula el coste de cada ejecución y el precio de cada licitación encontrada. ### ¿Cómo reduce el prefiltro el gasto en el modelo? El trabajo barato lo hace código sin llamadas al modelo: palabras de exclusión, tema, territorio, idioma, plazo, vencimiento. El modelo solo ve a los candidatos que superaron esas reglas, por eso hay pocos juicios caros con el currículum completo. ### ¿Por qué el currículum completo se almacena bien en caché en el prompt? El currículum es idéntico byte a byte en cada llamada. El mismo prefijo se repite una y otra vez, y es la forma ideal para el prompt caching: la parte repetida del prompt sale más barata. ### ¿En qué formato devuelve el modelo su veredicto sobre una licitación? Con un JSON estructurado que se registra completo: fits, short_reason, long_reason, country y tor_attached. Por ejemplo, fits: false con el motivo «se requiere un consultor nacional, el idioma local es obligatorio». El modelo juzga la esencia del puesto y no su nombre. ### ¿Cuándo sí hace falta RAG? Cuando el corpus no tiene límite: una base de conocimiento, documentación o historial de soporte que crecen sin parar. Cuando importa la latencia. Y cuando la tarea es realmente de búsqueda: encontrar un fragmento y responder a partir de él. El autor usa RAG en otros proyectos precisamente por estas razones. ### ¿Qué limitaciones tiene el contexto largo? Los modelos retienen peor la parte central de un prompt largo que el principio y el final. 34 mil caracteres caben en lo que los modelos actuales manejan bien. Con 300 mil, el autor probablemente construiría un híbrido de búsqueda y contexto completo. ### ¿Cómo decidir si hace falta RAG o contexto completo? Preguntarse qué debe hacer el modelo con el documento. Encontrar algo es retrieval: el corpus puede ser enorme. Evaluar algo es darle todo, porque la irrelevancia es la mitad del veredicto. La selección de un candidato, el riesgo de un contrato y la participación en una licitación son tareas de juicio. ## Otros idiomas - RU: https://seo7.es/ru/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding - EN: https://seo7.es/en/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding ## Marcado schema.org ```json { "@context": "https://schema.org", "@type": "BlogPosting", "name": "RAG es para encontrar. El contexto completo es para decidir.", "description": "Retrieval encuentra lo más parecido; el juicio necesita la imagen completa, incluido lo que falta. Por qué el CV completo y no top-k, y cuándo RAG.", "url": "https://seo7.es/es/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding", "mainEntityOfPage": "https://seo7.es/es/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding", "inLanguage": "es-ES", "headline": "RAG es para encontrar. El contexto completo es para decidir.", "isPartOf": { "@type": "WebSite", "name": "SEO7.ES", "url": "https://seo7.es/" }, "publisher": { "@type": "Organization", "name": "SEO7.ES", "url": "https://seo7.es/" } } ```